EITC/AI/TFQML TensorFlow Quantum Machine Learning to europejski program certyfikacji IT dotyczący korzystania z biblioteki Google TensorFlow Quantum do wdrażania uczenia maszynowego w architekturze Google Quantum Processor Sycamore.
Program nauczania EITC/AI/TFQML TensorFlow Quantum Machine Learning koncentruje się na wiedzy teoretycznej i praktycznych umiejętnościach korzystania z biblioteki Google TensorFlow Quantum do zaawansowanego uczenia maszynowego opartego na kwantowym modelu obliczeniowym w architekturze Google Quantum Processor Sycamore zorganizowanej w poniższej strukturze, obejmującej obszerne wideo treści dydaktyczne jako odniesienie dla tego certyfikatu EITC.
TensorFlow Quantum (TFQ) to biblioteka do uczenia maszynowego kwantowego do szybkiego prototypowania hybrydowych kwantowo-klasycznych modeli ML. Badania nad algorytmami i aplikacjami kwantowymi mogą wykorzystać ramy obliczeń kwantowych Google, a wszystko to z poziomu TensorFlow.
TensorFlow Quantum koncentruje się na danych kwantowych i tworzeniu hybrydowych modeli kwantowo-klasycznych. Integruje kwantowe algorytmy obliczeniowe i logikę zaprojektowaną w Cirq (ramy programowania kwantowego oparte na modelu obwodów kwantowych) i zapewnia kwantowe prymitywy obliczeniowe zgodne z istniejącymi API TensorFlow, a także wysokowydajne symulatory obwodów kwantowych. Przeczytaj więcej w białej księdze TensorFlow Quantum.
Obliczenia kwantowe to wykorzystanie zjawisk kwantowych, takich jak superpozycja i splątanie, do wykonywania obliczeń. Komputery wykonujące obliczenia kwantowe nazywane są komputerami kwantowymi. Uważa się, że komputery kwantowe są w stanie rozwiązać pewne problemy obliczeniowe, takie jak faktoryzacja liczb całkowitych (która leży u podstaw szyfrowania RSA), znacznie szybciej niż komputery klasyczne. Nauka o komputerach kwantowych jest dziedziną informatyki kwantowej.
Obliczenia kwantowe rozpoczęły się we wczesnych latach osiemdziesiątych, kiedy fizyk Paul Benioff zaproponował kwantowy model mechaniczny maszyny Turinga. Richard Feynman i Yuri Manin zasugerowali później, że komputer kwantowy może symulować rzeczy, których klasyczny komputer nie może. W 1980 roku Peter Shor opracował algorytm kwantowy do faktoryzacji liczb całkowitych, który miał potencjał do odszyfrowania komunikacji zaszyfrowanej RSA. Pomimo ciągłych postępów eksperymentalnych od późnych lat 1994-tych, większość badaczy uważa, że „odporne na błędy obliczenia kwantowe to wciąż dość odległy sen”. W ostatnich latach inwestycje w badania nad komputerami kwantowymi wzrosły zarówno w sektorze publicznym, jak i prywatnym. 1990 października 23 r.Google AI we współpracy z amerykańską National Aeronautics and Space Administration (NASA) twierdzi, że wykonało obliczenia kwantowe, które są niewykonalne na żadnym klasycznym komputerze (tak zwany wynik supremacji kwantowej).
Istnieje kilka modeli komputerów kwantowych (a raczej kwantowych systemów obliczeniowych), w tym model obwodu kwantowego, kwantowa maszyna Turinga, adiabatyczny komputer kwantowy, jednokierunkowy komputer kwantowy i różne kwantowe automaty komórkowe. Najpowszechniej stosowanym modelem jest obwód kwantowy. Obwody kwantowe są oparte na bicie kwantowym lub „kubicie”, który jest nieco analogiczny do bitu w klasycznych obliczeniach. Kubity mogą znajdować się w stanie kwantowym 1 lub 0 lub mogą znajdować się w superpozycji stanów 1 i 0. Jednak gdy mierzone są kubity, wynikiem pomiaru jest zawsze 0 lub 1; prawdopodobieństwa tych dwóch wyników zależą od stanu kwantowego, w jakim kubity znajdowały się bezpośrednio przed pomiarem.
Postęp w budowie fizycznego komputera kwantowego koncentruje się na technologiach, takich jak transmony, pułapki jonowe i topologiczne komputery kwantowe, których celem jest tworzenie wysokiej jakości kubitów. Te kubity mogą być zaprojektowane inaczej, w zależności od pełnego modelu obliczeniowego komputera kwantowego, czy to bramek kwantowych, wyżarzania kwantowego czy adiabatycznych obliczeń kwantowych. Obecnie istnieje wiele znaczących przeszkód na drodze do skonstruowania użytecznych komputerów kwantowych. W szczególności trudno jest utrzymać stany kwantowe kubitów, ponieważ cierpią one na kwantową dekoherencję i wierność stanu. Dlatego komputery kwantowe wymagają korekcji błędów. Każdy problem obliczeniowy, który można rozwiązać za pomocą klasycznego komputera, można również rozwiązać za pomocą komputera kwantowego. I odwrotnie, każdy problem, który można rozwiązać za pomocą komputera kwantowego, można również rozwiązać za pomocą klasycznego komputera, przynajmniej w zasadzie mając wystarczająco dużo czasu. Innymi słowy, komputery kwantowe są zgodne z tezą Churcha-Turinga. Chociaż oznacza to, że komputery kwantowe nie zapewniają żadnych dodatkowych zalet w porównaniu z komputerami klasycznymi pod względem obliczalności, algorytmy kwantowe dla niektórych problemów mają znacznie mniejszą złożoność czasową niż odpowiadające im znane algorytmy klasyczne. W szczególności uważa się, że komputery kwantowe są w stanie szybko rozwiązać pewne problemy, których żaden klasyczny komputer nie byłby w stanie rozwiązać w żadnym możliwym czasie - wyczyn znany jako „supremacja kwantowa”. Badanie złożoności obliczeniowej problemów komputerów kwantowych jest znane jako kwantowa teoria złożoności.
Google Sycamore to procesor kwantowy stworzony przez dział sztucznej inteligencji Google Inc. Zawiera 53 kubity.
W 2019 roku Sycamore wykonał zadanie w 200 sekund, o którym Google twierdziło w artykule Nature, że ukończenie superkomputera zajmie 10,000 lat. W ten sposób Google twierdził, że osiągnął supremację kwantową. Aby oszacować czas, jaki zająłby klasyczny superkomputer, Google przeprowadził fragmenty symulacji obwodu kwantowego na Summit, najpotężniejszym klasycznym komputerze na świecie. Później IBM złożył kontrargument, twierdząc, że zadanie zajmie tylko 2.5 dnia w klasycznym systemie, takim jak Summit. Jeśli twierdzenia Google zostaną podtrzymane, oznaczałoby to wykładniczy skok mocy obliczeniowej.
W sierpniu 2020 inżynierowie kwantowi pracujący dla Google zgłosili największą symulację chemiczną na komputerze kwantowym - przybliżenie Hartree-Focka z Sycamore w połączeniu z klasycznym komputerem, który przeanalizował wyniki, aby zapewnić nowe parametry dla systemu 12 kubitów.
W grudniu 2020 roku chiński procesor Jiuzhang oparty na fotonach, opracowany przez USTC, osiągnął moc obliczeniową 76 kubitów i był 10 miliardów razy szybszy niż Sycamore, co czyni go drugim komputerem, który osiągnął supremację kwantową.
Quantum Artificial Intelligence Lab (zwane także Quantum AI Lab lub QuAIL) to wspólna inicjatywa NASA, Universities Space Research Association i Google (w szczególności Google Research), której celem jest pionierskie badania nad tym, jak obliczenia kwantowe mogą pomóc w uczeniu maszynowym i inne trudne problemy informatyczne. Laboratorium znajduje się w Ames Research Center NASA.
Laboratorium Quantum AI zostało ogłoszone przez Google Research w poście na blogu 16 maja 2013 r. W momencie uruchomienia laboratorium korzystało z najbardziej zaawansowanego dostępnego na rynku komputera kwantowego, D-Wave Two firmy D-Wave Systems.
20 maja 2013 roku ogłoszono, że ludzie mogą ubiegać się o wykorzystanie czasu na D-Wave Two at the Lab. 10 października 2013 Google opublikował krótki film opisujący aktualny stan Quantum AI Lab. 18 października 2013 r. Firma Google ogłosiła, że włączyła fizykę kwantową do gry Minecraft.
W styczniu 2014 r. Google opublikował wyniki porównujące wydajność D-Wave Two w laboratorium z wynikami klasycznych komputerów. Wyniki były niejednoznaczne i wywołały gorącą dyskusję w Internecie. W dniu 2 września 2014 roku ogłoszono, że Quantum AI Lab we współpracy z UC Santa Barbara rozpocznie inicjatywę tworzenia kwantowych procesorów informacji opartych na elektronice nadprzewodnikowej.
23 października 2019 roku Quantum AI Lab ogłosiło w artykule, że osiągnęło supremację kwantową.
Google AI Quantum rozwija obliczenia kwantowe, opracowując procesory kwantowe i nowatorskie algorytmy kwantowe, aby pomóc naukowcom i programistom rozwiązywać krótkoterminowe problemy, zarówno teoretyczne, jak i praktyczne.
Uważa się, że obliczenia kwantowe pomogą w rozwoju innowacji jutra, w tym sztucznej inteligencji. Dlatego Google przeznacza znaczne zasoby na tworzenie dedykowanego sprzętu i oprogramowania kwantowego.
Obliczenia kwantowe to nowy paradygmat, który odegra dużą rolę w przyspieszaniu zadań AI. Celem Google jest zapewnienie badaczom i programistom dostępu do struktur open source i mocy obliczeniowej, które mogą wykraczać poza klasyczne możliwości obliczeniowe.
Główne obszary zainteresowania Google AI Quantum to
- Nadprzewodnikowe procesory kubitowe: nadprzewodzące kubity ze skalowalną architekturą opartą na chipach, ukierunkowane na błąd bramki dwóch kubitów <0.5%.
- Metrologia Qubit: Zmniejszenie utraty dwóch kubitów poniżej 0.2% ma kluczowe znaczenie dla korekcji błędów. Pracujemy nad eksperymentem z supremacją kwantową, aby w przybliżeniu próbkować obwód kwantowy poza możliwościami najnowocześniejszych klasycznych komputerów i algorytmów.
- Symulacja kwantowa: symulacja systemów fizycznych jest jednym z najbardziej oczekiwanych zastosowań obliczeń kwantowych. W szczególności koncentrujemy się na algorytmach kwantowych do modelowania układów oddziałujących elektronów z zastosowaniami w chemii i materiałoznawstwie.
- Optymalizacja wspomagana kwantowo: opracowujemy hybrydowe kwantowo-klasyczne solwery do przybliżonej optymalizacji. Skoki termiczne w klasycznych algorytmach służących do pokonywania barier energetycznych można poprawić, wywołując aktualizacje kwantowe. Szczególnie interesuje nas spójny transfer ludności.
- Kwantowe sieci neuronowe: Opracowujemy ramy do implementacji kwantowej sieci neuronowej na procesorach krótkoterminowych. Jesteśmy zainteresowani zrozumieniem, jakie korzyści mogą wyniknąć z generowania masowych stanów superpozycji podczas działania sieci.
Główne narzędzia opracowane przez Google AI Quantum to platformy open source specjalnie zaprojektowane do opracowywania nowatorskich algorytmów kwantowych, aby pomóc w rozwiązywaniu krótkoterminowych zastosowań praktycznych problemów. Obejmują one:
- Cirq: platforma kwantowa typu open source do budowania i eksperymentowania z hałaśliwymi algorytmami kwantowymi o średniej skali (NISQ) na krótkoterminowych procesorach kwantowych
- OpenFermion: platforma typu open source do tłumaczenia problemów z chemii i materiałoznawstwa na obwody kwantowe, które można wykonać na istniejących platformach
Krótkoterminowe aplikacje Google AI Quantum obejmują:
Symulacja kwantowa
Projektowanie nowych materiałów i wyjaśnianie złożonej fizyki poprzez dokładne symulacje modeli chemicznych i materii skondensowanej to jedne z najbardziej obiecujących zastosowań obliczeń kwantowych.
Techniki ograniczania błędów
Pracujemy nad opracowaniem metod na drodze do pełnej korekcji błędów kwantowych, które mogą radykalnie zmniejszyć hałas w obecnych urządzeniach. Chociaż obliczenia kwantowe odporne na błędy w pełnej skali mogą wymagać znacznych zmian, opracowaliśmy technikę ekspansji podprzestrzeni kwantowej, aby pomóc w wykorzystaniu technik kwantowej korekcji błędów do poprawy wydajności aplikacji na urządzeniach krótkoterminowych. Ponadto techniki te ułatwiają testowanie złożonych kodów kwantowych na urządzeniach krótkoterminowych. Aktywnie wprowadzamy te techniki w nowe obszary i wykorzystujemy je jako podstawę do projektowania eksperymentów krótkoterminowych.
Uczenie maszynowe kwantowe
Opracowujemy hybrydowe kwantowo-klasyczne techniki uczenia maszynowego na krótkoterminowych urządzeniach kwantowych. Badamy uczenie się uniwersalnych obwodów kwantowych w celu klasyfikacji i grupowania danych kwantowych i klasycznych. Interesują nas również generatywne i dyskryminacyjne kwantowe sieci neuronowe, które mogą być używane jako kwantowe repetytory i jednostki oczyszczania stanu w kwantowych sieciach komunikacyjnych lub do weryfikacji innych obwodów kwantowych.
Optymalizacja kwantowa
Dyskretne optymalizacje w przemyśle lotniczym, motoryzacyjnym i innych mogą odnieść korzyści z hybrydowej optymalizacji kwantowo-klasycznej, na przykład symulowane wyżarzanie, algorytm optymalizacji wspomaganej kwantowo (QAOA) i kwantowo wspomagany transfer populacji mogą mieć zastosowanie w dzisiejszych procesorach.
Aby dokładnie zapoznać się z programem certyfikacji, możesz rozwinąć i przeanalizować poniższą tabelę.
Program EITC/AI/TFQML TensorFlow Quantum Machine Learning Certification Curriculum odwołuje się do ogólnodostępnych materiałów dydaktycznych w formie wideo. Proces uczenia się podzielony jest na etapy (programy -> lekcje -> tematy) obejmujące odpowiednie części programu nauczania. Zapewnione są również nieograniczone konsultacje z ekspertami dziedzinowymi.
Aby uzyskać szczegółowe informacje na temat procedury certyfikacji, sprawdź Wygodna Subskrypcja.
Zasoby referencyjne dotyczące programów nauczania
TensorFlow Quantum (TFQ) to biblioteka do kwantowego uczenia maszynowego do szybkiego prototypowania hybrydowych kwantowo-klasycznych modeli ML. Badania nad algorytmami i aplikacjami kwantowymi mogą wykorzystać struktury obliczeń kwantowych Google, a wszystko to z poziomu TensorFlow. TensorFlow Quantum koncentruje się na danych kwantowych i tworzeniu hybrydowych modeli kwantowo-klasycznych. Integruje kwantowe algorytmy obliczeniowe i logikę opracowane w Cirq, a także dostarcza prymitywy obliczeniowe kwantowe zgodne z istniejącymi interfejsami API TensorFlow, a także wysokowydajne symulatory obwodów kwantowych. Przeczytaj więcej w białej księdze TensorFlow Quantum. Jako dodatkowe odniesienie możesz zapoznać się z omówieniem i uruchomić samouczki dotyczące notebooków.
https://www.tensorflow.org/quantum
Cyrk
Cirq to platforma open source dla komputerów Noisy Intermediate Scale Quantum (NISQ). Został opracowany przez zespół Google AI Quantum, a publiczna wersja alfa została ogłoszona na międzynarodowych warsztatach poświęconych oprogramowaniu kwantowemu i kwantowemu uczeniu maszynowemu 18 lipca 2018 r. Demo QC Ware pokazało implementację QAOA rozwiązującą przykład maksymalnego cięcia problem rozwiązywany na symulatorze Cirq. Programy kwantowe w Cirq są reprezentowane przez „Obwód” i „Harmonogram”, gdzie „Obwód” reprezentuje obwód kwantowy, a „Harmonogram” reprezentuje obwód kwantowy z informacją o czasie. Programy mogą być wykonywane na lokalnych symulatorach. Poniższy przykład pokazuje, jak utworzyć i zmierzyć stan dzwonka w Cirq.
importować cyrk
# Wybierz kubity
kubit0 = cyrk.GridQubit(0, 0)
kubit1 = cyrk.GridQubit(0, 1)
# Utwórz obwód
obwód = cyrk.Obwód.z_ops(
cyrk.H(kubit0),
cyrk.NIE(kubit0, kubit1),
cyrk.zmierzyć(kubit0, klucz=„m0”),
cyrk.zmierzyć(kubit1, klucz=„m1”)
)
Wydrukowanie obwodu wyświetla jego schemat
(obwód)
# wydruków
# (0, 0): ───H─── @ ───M ('m0') ───
# │
# (0, 1): ───────X───M ('m1') ───
Wielokrotne symulowanie obwodu pokazuje, że pomiary kubitów są skorelowane.
symulator = cyrk.Symulator()
dalsze = symulator.biegać(obwód, powtórzeń=5)
(dalsze)
# wydruków
# m0 = 11010
# m1 = 11010
Pobierz kompletne materiały przygotowawcze do samodzielnego uczenia się offline dla programu EITC/AI/TFQML TensorFlow Quantum Machine Learning w pliku PDF
Materiały przygotowawcze EITC/AI/TFQML – wersja standardowa
Materiały przygotowawcze EITC/AI/TFQML – wersja rozszerzona z pytaniami kontrolnymi